Алгоритм модели Наивного Байесовского классификатора для диагностики диастолической дисфункции левого желудочка Текст научной статьи по специальности «Компьютерные и информационные науки»

АЛГОРИТМ МОДЕЛИ НАИВНОГО БАЙЕСОВСКОГО КЛАССИФИКАТОРА ДЛЯ ДИАГНОСТИКИ ДИАСТОЛИЧЕСКОЙ ДИСФУНКЦИИ ЛЕВОГО ЖЕЛУДОЧКА Розыходжаева Д.А.

Розыходжаева Дилдора Аброровна — ассистент, кафедра информационных технологий, Ташкентский университет информационных технологий, г. Ташкент, Республика Узбекистан

Аннотация: в статье приведено описание алгоритма, полученного для динамической модели Наивного классификатора Байеса, определяющей наличие у пациента диастолической дисфункции левого желудочка. Алгоритм предполагает приведение математической модели под форму, включающую набор только тех входных признаков, которые были введены на данный момент врачом.

Ключевые слова: процессы принятия решений, Наивный Байесовский классификатор, алгоритм, модель, диастолическая дисфункция левого желудочка.

В настоящее время современные больницы хорошо оснащены средствами мониторинга и сбора данных, что обеспечивает быстрое накопление больших объемов данных, играющих важную роль в медицинском обследовании и лечении. Вместе с тем, по мере накопления электронных данных растет и сложность их обработки. Полученные медицинские данные обладают определенными характеристиками, которые делают их анализ очень заманчивой сферой для исследований.

Важность анализа медицинских данных заключается в том, чтобы помочь врачу свести к минимуму диагностические ошибки (особенно у неопытных специалистов), ускорить процесс принятия решения и повысить качество медицинского обслуживания. В прошлом для постановки диагноза использовались различные статистические методы для моделирования в области диагностики заболеваний. Эти методы требовали предварительных предположений и были достаточно слабо способны справляться с массивными и сложными нелинейными и зависимыми данными. Применение же методов интеллектуального анализа данных оказалось более эффективным и обеспечило процессы для обнаружения полезных моделей из больших наборов данных [1].

Широко применяемым средством анализа больших данных являются контролируемые алгоритмы с учителем, требующие специальный атрибут ответа, более известный как атрибут класса. Среди различных подходов обработки медицинских данных особо выделяется метод Наивного Байеса, который представляет собой из наиболее эффективных алгоритмов классификации и успешно применяется в решении различных медицинских проблем.

Байесовский классификатор основывается на применении Теоремы Байеса со строгими (наивными) предположениями о независимости параметров, где для заданного набора параметров подбирается наиболее подходящий класс [2].

В основе теоремы лежит свойство условной вероятности. Условная вероятность, например P(B/A), это вероятность события B при условии, что произошло событие A. По определению:

P(B / A) = v у (1) v 7 P(A) ( )

где P(B,A) - совместная вероятность событий A и B, P(A) - вероятность события А.

Совместную вероятность P(B,A), которая равна P(A,B), можно выразить как

P(B, A) = P( A, В) = P( A / В)* P(B) (2)

где P(A/B) - вероятность события A при условии, что произошло событие B, P(B) - вероятность события B [3].

Особенностью Наивного Байесовского классификатора является то, что за счет рассмотрения параметров в качестве независимых друг от друга признаков, допустимо упущение части из них. Для примера, отсутствие даже одного входного параметра в математической модели, получаемой, например, с помощью нейронной сети, приведет к неверному вычислению общего результата, что недопустимо в медицинской диагностике. В случае же Наивного Байеса, математическая модель подстраивается под имеющийся набор входных данных.

Для проверки адекватности данного классификатора был проведен ряд экспериментов по диагностированию диастолической дисфункции левого желудочка (ДДЛЖ), показавший высокую точность модели. Она включала 26 входных параметров, полученных путём корреляционного анализа для выявления наиболее ярко влияющих на выявление патологии признаков.

Задача заключалась в определении на основе обучающей выборки частоты вхождения каждого признака в исследования, в которых была диагностирована диастолическая дисфункция, а также в исследования, где диагноз не подтверждался.

Алгоритм диагностирующей модели предполагал нормализацию входных параметров (замену численных признаков на метку выявления или отсутствия нарушения параметра), а также отсечение из нее признаков, не имеющих отклонения (рисунок 1). Пояснение в алгоритме, связанное с проверкой разницы значений параметров вероятности результата, связана с тем, что в случаях, когда вероятность выявления и отсутствия ДДЛЖ приблизительно равна, окончательное принятие решение следует оставить за медиком во избежание возможных врачебных ошибок. В целом, такое решение в ряде проведенных экспериментов показало высокую эффективность и точность работы разработанных модели и алгоритма.

Рис. 1. ААлгоритм работы модели при диагностировании ДДЛЖ на основе Наивного Байесовского классификатора

Список литературы

1. Al-Aidaroos K.M., Bakar A.A. and Othman Z., 2012. Medical Data Classification with Naive Bayes Approach. Information Technology Journal, 11: P. 1166-1174.

2. Розыходжаева Г.А., Розыходжаева Д.А. Сравнительный анализ моделей принятия решений в вопросах диагностики заболеваний // Проблемы современной науки и образования, 2017. № 15 (97). С. 97-99.

3. Наивный байесовский классификатор // Глеб Михайлов. [Электронный ресурс]. Режим доступа: http://glebmikhaylov.com/наивньш-байесовский-классификатор-2/ (дата обращения: 15.04.2017).

ПЕСКОСТРУЙНЫЕ АППАРАТЫ, ИХ ВИДЫ И ОСНОВНЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ Минязев Д.В.

Минязев Денис Валерьевич — магистрант, кафедра вычислительной математики и кибернетики, Уфимский государственный авиационный технический университет, г. Уфа

Аннотация: большинство технологических процессов, так или иначе, связаны с воздействиями на материал, деталь или изделие на различных стадиях технологического процесса их производства. Пескоструйная очистка и резка материалов обладает рядом преимуществ по сравнению с традиционными методами, что объясняет рост популярности таких работ в последнее время. В статье рассматриваются виды пескоструйных аппаратов и основные направления их развития. Ключевые слова: пескоструйная обработка, абразивная обработка, очистка, стекло, металлы, камень.